CN109975236A - 一种利用近红外光谱技术鉴别金银花产地的方法 - Google Patents
一种利用近红外光谱技术鉴别金银花产地的方法 Download PDFInfo
- Publication number
- CN109975236A CN109975236A CN201910271382.4A CN201910271382A CN109975236A CN 109975236 A CN109975236 A CN 109975236A CN 201910271382 A CN201910271382 A CN 201910271382A CN 109975236 A CN109975236 A CN 109975236A
- Authority
- CN
- China
- Prior art keywords
- honeysuckle
- sample
- production
- place
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 36
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 30
- 241000205585 Aquilegia canadensis Species 0.000 title abstract 5
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 4
- 229910052737 gold Inorganic materials 0.000 claims abstract description 4
- 239000010931 gold Substances 0.000 claims abstract description 4
- 229910052709 silver Inorganic materials 0.000 claims abstract description 3
- 239000004332 silver Substances 0.000 claims abstract description 3
- 241001570521 Lonicera periclymenum Species 0.000 claims description 66
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000004611 spectroscopical analysis Methods 0.000 claims description 11
- 229920001343 polytetrafluoroethylene Polymers 0.000 claims description 8
- 239000004810 polytetrafluoroethylene Substances 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 7
- 244000167230 Lonicera japonica Species 0.000 claims description 5
- 235000017617 Lonicera japonica Nutrition 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- -1 polytetrafluoroethylene Polymers 0.000 claims description 4
- 238000004451 qualitative analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 238000012067 mathematical method Methods 0.000 abstract description 3
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 241000245240 Lonicera Species 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002366 mineral element Substances 0.000 description 2
- 229940100688 oral solution Drugs 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- CWVRJTMFETXNAD-FWCWNIRPSA-N 3-O-Caffeoylquinic acid Natural products O[C@H]1[C@@H](O)C[C@@](O)(C(O)=O)C[C@H]1OC(=O)\C=C\C1=CC=C(O)C(O)=C1 CWVRJTMFETXNAD-FWCWNIRPSA-N 0.000 description 1
- PZIRUHCJZBGLDY-UHFFFAOYSA-N Caffeoylquinic acid Natural products CC(CCC(=O)C(C)C1C(=O)CC2C3CC(O)C4CC(O)CCC4(C)C3CCC12C)C(=O)O PZIRUHCJZBGLDY-UHFFFAOYSA-N 0.000 description 1
- 241000208828 Caprifoliaceae Species 0.000 description 1
- CWVRJTMFETXNAD-KLZCAUPSSA-N Neochlorogenin-saeure Natural products O[C@H]1C[C@@](O)(C[C@@H](OC(=O)C=Cc2ccc(O)c(O)c2)[C@@H]1O)C(=O)O CWVRJTMFETXNAD-KLZCAUPSSA-N 0.000 description 1
- 101100285000 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) his-3 gene Proteins 0.000 description 1
- 241001128140 Reseda Species 0.000 description 1
- CWVRJTMFETXNAD-JUHZACGLSA-N chlorogenic acid Chemical compound O[C@@H]1[C@H](O)C[C@@](O)(C(O)=O)C[C@H]1OC(=O)\C=C\C1=CC=C(O)C(O)=C1 CWVRJTMFETXNAD-JUHZACGLSA-N 0.000 description 1
- 229940074393 chlorogenic acid Drugs 0.000 description 1
- FFQSDFBBSXGVKF-KHSQJDLVSA-N chlorogenic acid Natural products O[C@@H]1C[C@](O)(C[C@@H](CC(=O)C=Cc2ccc(O)c(O)c2)[C@@H]1O)C(=O)O FFQSDFBBSXGVKF-KHSQJDLVSA-N 0.000 description 1
- 235000001368 chlorogenic acid Nutrition 0.000 description 1
- BMRSEYFENKXDIS-KLZCAUPSSA-N cis-3-O-p-coumaroylquinic acid Natural products O[C@H]1C[C@@](O)(C[C@@H](OC(=O)C=Cc2ccc(O)cc2)[C@@H]1O)C(=O)O BMRSEYFENKXDIS-KLZCAUPSSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000000155 isotopic effect Effects 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011197 physicochemical method Methods 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000009254 shuang-huang-lian Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000008630 tanreqing Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用近红外光谱技术鉴别金银花产地的方法，其利用近红外光谱技术采集不同地区的金银花原始光谱，采用数学方法减弱或是消除干扰因素对光谱的影响，提取有用信息，建立模型，鉴别金银花产地。本发明的方法具有快速、高效、无损、成本低、适用范围广等特点，特别是不需要对金银花进行前处理步骤，在不破坏金银花结构的情况下就可以进行产地溯源，实现无损化处理。
Description
技术领域
本发明涉及一种利用近红外光谱技术鉴别金银花产地的方法，涉及近红外分析检测领 域。
背景技术
金银花为忍冬科植物忍冬(Lonicera japonica Thunb)的干燥花蕾或带初开的花。夏初花 开放前采收、干燥。金银花自古被誉为清热解毒的良药，常用复方制剂如清热解毒口服液、 双黄连口服液、双黄连注射液、痰热清口服液等一般规定以金银花入药。金银花的种植区域 主要集中在山东、河南、河北、重庆、陕西、湖北等地。其中，山东省临沂市平邑县为金银 花的主产区，种植面积最大，野生品种居多，历史悠久，是农业部命名的“中国金银花之乡”。 解世全等用HPLC和UV法测定14个产地中绿原酸和木犀草含量、总酚酸和总黄酮含量， 均以山东临沂产地最高，综合评价以山东临沂平邑产地金银花的质量最佳。随着近年来金银 花价格的持续上涨，平邑金银花作为地理标志产品和道地产地的药材在市场上经常遭遇造假 现象，必须建立一种方便快捷的鉴别金银花产地方法。
目前，对金银花产地溯源的研究技术主要有傅里叶变换红外光谱、DNA指纹分析技术、 矿物元素指纹分析技术、稳定同位素分析等。DNA指纹分析、矿物元素指纹分析、稳定同位 素分析的分析时间较长、成本高且需要对金银花样品进行前处理，不能对金银花进行无损处 理；傅里叶变换红外光谱也需要对样品进行前处理，不能对金银花进行无损处理。
发明内容
本发明克服了上述现有技术的不足，提供一种利用近红外光谱技术鉴别金银花产地的方 法。本发明利用近红外光谱技术采集不同地区的金银花原始光谱，采用数学方法减弱或是消 除干扰因素对光谱的影响，提取有用信息，建立模型，鉴别金银花产地。
一种利用近红外光谱技术鉴别金银花产地的方法，包括如下步骤：
1)原始光谱采集：在中国金银花主产区采集金银花样品，将金银花样品平铺放置，厚度 大于5mm，将光谱仪光斑区域紧贴晾干的金银花样品采集样品的原始光谱；
2)原始光谱的预处理：将步骤1)获得的原始光谱数据剔除异常数据后，采用KS方法 将剔除后的光谱数据分为校正集和验证集，以二阶导数和SNV的方法共同对校正集和验证集 的近红外光谱数据进行处理，获得优化后的校正集样品和验证集样品的光谱数据；
3)最佳主成分数的选择：使用步骤1)中获得原始光谱的数据建立金银花样品的定性分 析模型获得最佳主成分数；
4)构建PLS-D A判别模型：利用步骤2)中获得的校正集样品的光谱数据并选用步骤3) 中获得的主成分数来建立PLS-D A判别模型，并使用验证集样品的光谱数据来验证模型有效 性；
5)将待鉴别的金银花样品进行近红外光谱的采集和特征波长的提取，通过二阶导数和 SNV的方法共同对待鉴别的金银花样品的近红外光谱进行预处理，再通过导入到经过有效性 验证过的模型中即可鉴别金银花产地。
进一步的，步骤1)中所述的原始光谱采集使用的是便携式近红外光谱仪MicroNIR1700 (美国JDSU公司)，以聚四氟乙烯白板为参比，将光谱仪光斑区域紧贴白板采集参比光谱。
进一步的，步骤2)中所述光谱采集的波长范围为908-1676nm，光谱采集重复扫描次数 为50次，单次积分时间为8000μs，每个样品采集5次，计算平均光谱作为该样品的近红外光 谱。
进一步的，步骤2)中所述剔除异常数据指对步骤1)中获得的原始光谱数据进行主成分 分析，剔除不在95％置信区间内的异常样本。
进一步的，所述步骤3)中所述最佳主成分数指的是在定性分析模型中误差值最小时所 对应的主成分数。
进一步的，步骤4)中所述验证模型有效性指将PLS-DA判别模型的阈值设置为0.5，验 证集中样本的预测值与实际值之差的绝对值小于0.5，则模型的判别正确，正确率越高模型 有效性越高。
有益效果：
(1)近红外光谱具有快速、高效、无损、成本低、适用范围广等特点，特别是不需要对 金银花进行前处理步骤，在不破坏金银花结构的情况下就可以进行产地溯源，实现无损化处 理。
(2)本发明建立的金银花的判别模型相对于其他需要实验室检测的产地溯源方法能够更 快的获得鉴别结果(小于1分钟)，可以通过理化方法验证充分证明该鉴别结果的有效性，操 作简单，提高鉴别效率。
附图说明
图1 金银花样品的主成分得分图。
图2A 原始光谱图；B:二阶导数和SNV预处理后的光谱图。
图3 金银花定性分析模型的RMSECV-LV图。
图4 验证集中金银花样品的PLS-DA模型的判别结果。
具体实施方式
实施例1筛选最佳光谱预处理方案
1材料方法
1.1样品
于收获季节(5-9月份)在中国金银花主产区(河南、山东、河北、重庆)采集金银花样品， 每个地区均覆盖多个县乡，共采集金银花近红外光谱数据501个。剔除异常数据后，采用KS(K ennard.Stone)方法对样品集进行划分，即通过计算平均光谱和每一条光谱间的欧氏距离进 行校正集的选择，将光谱差异较大的样品选入校正集，以保证所建立的模型能够具有足够的 代表性，并在一定程度上避免建模集样品分布不均。
1.2试验仪器及光谱采集
本研究采用便携式近红外光谱仪MicroNIR1700(美国JDSU公司)以聚四氟乙烯白板 为参比，将光谱仪光斑区域紧贴白板采集参比光谱；将晾干的金银花样品平铺放置，厚度不 少于5mm，将光谱仪光斑区域紧贴金银花样品采集样品光谱。光谱采集的波长范围为908 –1676nm，每次光谱采集重复扫描次数为50次，单次积分时间为8000μs。每次光谱扫描后， 移动光谱仪光斑区，重新采集一次，每个样本采集5次，计算平均光谱作为该样品的近红外 光谱。
1.3光谱预处理及建模方法
近红外原始光谱不但包含许多与结构相关的信息，还包含许多无关信息和噪声，这些无 关信息和噪声将影响模型建立的效果。光谱预处理就是采用数学方法减弱或是消除干扰因素 对光谱的影响，提取有用信息，以提高模型分析的准确性和可靠性。在本研究中，对几种常 用的预处理方法进行了比较，得到了最优的结果。包括平滑算法(Smoothing)，导数算法 (Derivative)，标准正态变量(SNV)等。
2、结果与分析
2.1金银花的原始光谱和异常样品剔除
对金银花样品的光谱数据进行主成分分析(principal component analysis，PCA)，由 (图1)可知，前两个主成分的变量解释率分别为91.67％，7.26％。代表了98.93％的变量信 息。深色的样本不在95％置信限以内，偏离样本集，为异常样本，所以将这12个样本从建模 数据中剔除。
应用KS分类法，将剔除异常值后的489个数据按照3:1的比例划分为校正集和验证集。 校正集样品和验证集样品的具体分类信息如表1所示。
表1金银花样品分类信息
2.2光谱预处理结果
按照PLS-DA判别方法的流程，首先对不同产地金银花校正集样本的分类变量进行赋值， 以河南省为例，河南样本赋值1，其他地区赋值0。赋值之后运用回归方法对校正集样本的光 谱与样本对应的分类变量进行回归分析，建立光谱特征与分类变量间的PLS模型对预处理后 的校正集图谱进行回归分析，比较多种光谱预处理方法，根据最优校正模型的主要性能参数， 筛选出最佳处理组合，表2为不同光谱预处理方法对不同产地校正集和验证集的验证结果。 其中，模型的主成分数是通过PRESS值结合F检验来确定。原始光谱和经二阶导数和SNV 共同处理后的光谱比较如图2所示。
表2不同预处理方法下构建的PLS-DA模型的校正及预测结果
3、结论
由表2所示，二阶导数和SNV共同使用对光谱矩阵进行预处理，此时模型校正集和验证 集的识别率以及拒绝率均达到100％，由图2可以看出，经过二阶导数和SNV处理后的光谱 差异化更显著，可以看出明显的光谱差异，更有利于样品之间的识别，因此将二阶导数和SNV 作为最佳预处理方法。
实施例2利用近红外光谱技术鉴别金银花产地
1.1样品
于收获季节(5-9月份)在中国金银花主产区(河南、山东、河北、重庆)采集金银花样品， 每个地区均覆盖多个县乡，共采集金银花近红外光谱数据501个。采用KS(Kennard.Stone)方 法对样品集进行划分，即通过计算平均光谱和每一条光谱间的欧氏距离进行校正集的选择， 将光谱差异较大的样品选入校正集，以保证所建立的模型能够具有足够的代表性，并在一定 程度上避免建模集样品分布不均。
1.2试验仪器及光谱采集
本研究采用便携式近红外光谱仪MicroNIR1700(美国JDSU公司)以聚四氟乙烯白板 为参比，将光谱仪光斑区域紧贴白板采集参比光谱；将晾干的金银花样品平铺放置，厚度不 少于5mm，将光谱仪光斑区域紧贴金银花样品采集样品光谱。光谱采集的波长范围为908 –1676nm，每次光谱采集重复扫描次数为50次，单次积分时间为8000us。每次光谱扫描后， 移动光谱仪光斑区，重新采集一次，每个样本采集5次，计算平均光谱作为该样品的近红外 光谱。
1.3光谱预处理及建模方法
在本研究中将二阶导数和SNV作为光谱预处理方法。
PLS-DA算法是基于PLS回归的判别分析方法，回归模型得到的样本的预测值不是整数， 需要设置阈值以判断样本的归属。PLS-DA以二进制码组来表示样品类属，样品有几类，二 进制码组就有几位，每一位称为一个节点，每位节点以“1”表示属于该类，以“0”表示属于其他类。本文中阈值设置为0.5，即预测值与实际值之差的绝对值小于0.5，则判别正确， 反之，则判别错误。模型性能的优劣以对验证集样本的准确判别率为标准，正确判别率越高， 说明模型性能越好。本研究中光谱的预处理和模型的建立使用Matlab 2015a和PLStoolbox。
2.1金银花的原始光谱和异常样品剔除
对金银花样品的光谱数据进行主成分分析(principal component analysis，PCA)，由 (图1)可知，前两个主成分的变量解释率分别为91.67％，7.26％。代表了98.93％的变量信 息。深色的样本不在95％置信限以内，偏离样本集，为异常样本，所以将这12个样本从建模 数据中剔除。
应用KS分类法，将剔除异常值后的489个数据按照3:1的比例划分为校正集和验证集。 校正集样品和验证集样品的具体分类信息如表1所示。
2.2光谱预处理
使用二阶导数和SNV进行光谱预处理获得校正集图谱(如图2)。
2.3最佳主成分数的选择
金银花样品的定性分析模型结果随着主成分数的变化情况如图3，由图3可知，在建模 过程中，模型的误差随着主成分数的增大逐渐变小，当主成分数为4的时候，误差值达到最 小，因此选择4作为最佳主成分数。
2.4PLS-D A判别模型的建立与验证
将采集到的金银花近红外光谱，剔除异常值后，采用KS方法将样品分类，以二阶导数 和SNV的预处理方法对样品近红外光谱数据进行预处理，主成分选为4，建立PLS-DA定性分析模型。由图4可以看出，PLS-DA模型可以将四个产地的金银花样品完全分开。图4中 (A)部分为验证集样本中河南样本特征的预测结果，其中验证集中所有的河南样本的分 类变量的预测值都接近于1，而其他3个产地的金银花样本分类变量的预测值在0.5以下，偏 差均小于0.5。根据PLS-DA方法的判别准则可知，验证集中所有河南样本均被正确识别， 而其他3个产地的样本不具有河南产地样本的特征，说明PLS-DA判别模型对河南产地样本 的判别准确率为100％。图4中(B)、(C)、(D)部分分别为采用上述已建立山东、河北 和重庆PLS-DA判别模型对验证集中相应的金银花样本特征的预测结果。模型对验证集中 的山东、河北和重庆样本的判别准确率均为100％。
2.5鉴别金银花产地
将待鉴别的金银花样品进行近红外光谱的采集和特征波长的提取，通过二阶导数和SNV 的方法共同对近红外光谱的预处理，再通过导入到经过有效性验证过的模型中即可鉴别金银 花产地。
3结论
采用近红外光谱技术鉴别河南、山东、河北、重庆地区金银花的产地，使用二阶导数算 法和SNV算法共同对提取出的光谱数据进行去噪处理，并基于全谱建立PLS-DA判别模型 取得了比较好的识别效果，可以准确判断金银花产地。
本研究所用的便携式近红外光谱仪采集的光谱仪易于操作，适合现场检测，通过适当的 光谱预处理方法能够准确识别出四个金银花的产地，，因此具有很大的推广应用价值。
Claims (6)
1.一种利用近红外光谱技术鉴别金银花产地的方法，其特征在于，包括如下步骤：
1)原始光谱采集：在中国金银花主产区采集金银花样品，将光谱仪光斑区域紧贴金银花样品采集样品的原始光谱；
2)原始光谱的预处理：将步骤1)获得的原始光谱数据剔除异常数据后，采用KS方法将剔除后的光谱数据分为校正集和验证集，以二阶导数和SNV的方法共同对校正集和验证集的近红外光谱数据进行处理，获得优化后的校正集样品和验证集样品的光谱数据；
3)最佳主成分数的选择：使用步骤1)中获得原始光谱的数据建立金银花样品的定性分析模型获得最佳主成分数；
4)构建PLS-D A判别模型：利用步骤2)中获得的校正集样品的光谱数据并选用步骤3)中获得的主成分数来建立PLS-D A判别模型，并使用验证集样品的光谱数据来验证模型有效性；
5)将待鉴别的金银花样品进行近红外光谱的采集和特征波长的提取，通过二阶导数和SNV的方法共同对近红外光谱进行预处理，再通过导入到经过有效性验证过的模型中即可鉴别金银花产地。
2.根据权利要求1所述的利用近红外光谱技术鉴别金银花产地的方法，其特征在于，步骤1)中所述的原始光谱采集使用的是便携式近红外光谱仪，以聚四氟乙烯白板为参比，将光谱仪光斑区域紧贴白板采集参比光谱。
3.根据权利要求1所述的利用近红外光谱技术鉴别金银花产地的方法，其特征在于，步骤2)中所述光谱采集的波长范围为908-1676nm，光谱采集重复扫描次数为50次，单次积分时间为7000-8000μs，每个样品采集3-5次，计算平均光谱作为该样品的近红外光谱。
4.根据权利要求1所述的利用近红外光谱技术鉴别金银花产地的方法，其特征在于，步骤2)中所述剔除异常数据指对步骤1)中获得的原始光谱数据进行主成分分析，剔除不在95％置信区间内的异常样本。
5.根据权利要求1所述的利用近红外光谱技术鉴别金银花产地的方法，其特征在于，所述步骤3)中所述最佳主成分数指的是在定性分析模型中误差值最小时所对应的主成分数。
6.根据权利要求1-5任一项所述的利用近红外光谱技术鉴别金银花产地的方法，其特征在于，步骤4)中所述验证模型有效性指将PLS-DA判别模型的阈值设置为0.5，验证集中样本的预测值与实际值之差的绝对值小于0.5，则模型的判别正确，正确率越高模型有效性越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910271382.4A CN109975236A (zh) | 2019-04-04 | 2019-04-04 | 一种利用近红外光谱技术鉴别金银花产地的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910271382.4A CN109975236A (zh) | 2019-04-04 | 2019-04-04 | 一种利用近红外光谱技术鉴别金银花产地的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109975236A true CN109975236A (zh) | 2019-07-05 |
Family
ID=67083081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910271382.4A Pending CN109975236A (zh) | 2019-04-04 | 2019-04-04 | 一种利用近红外光谱技术鉴别金银花产地的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109975236A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112014346A (zh) * | 2020-09-03 | 2020-12-01 | 中国地质大学（武汉） | 一种基于红外光谱的煤炭产地溯源方法 |
| CN112816433A (zh) * | 2020-12-31 | 2021-05-18 | 中国医学科学院药用植物研究所 | 一种基于红外光谱的山银花鉴别方法、设备和介质 |
| CN116165165A (zh) * | 2023-04-25 | 2023-05-26 | 四川威斯派克科技有限公司 | 一种药品原辅料在线实时放行的检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110121838A (ko) * | 2010-05-03 | 2011-11-09 | 강원대학교산학협력단 | 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법 |
| CN104713848A (zh) * | 2015-03-27 | 2015-06-17 | 山东大学 | 一种基于近红外分析技术的白芍产地判别的方法 |
| CN105021562A (zh) * | 2015-07-06 | 2015-11-04 | 黑龙江八一农垦大学 | 一种大米产地溯源方法及其应用 |
| CN107153057A (zh) * | 2017-06-14 | 2017-09-12 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种基于矿物元素指纹技术的金银花产地鉴别方法 |
| CN107607485A (zh) * | 2017-08-30 | 2018-01-19 | 浙江医药高等专科学校 | 一种鉴别三叶青产地的方法 |
| CN108444944A (zh) * | 2018-02-24 | 2018-08-24 | 盐城工学院 | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 |
| CN108507971A (zh) * | 2017-02-23 | 2018-09-07 | 南京农业大学 | 一种基于红外光谱技术对新疆核桃产地区分的方法 |
| CN109490246A (zh) * | 2018-10-18 | 2019-03-19 | 浙江省中医药研究院 | 一种前胡药材质量的快速检测方法 |
-
2019
- 2019-04-04 CN CN201910271382.4A patent/CN109975236A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110121838A (ko) * | 2010-05-03 | 2011-11-09 | 강원대학교산학협력단 | 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법 |
| CN104713848A (zh) * | 2015-03-27 | 2015-06-17 | 山东大学 | 一种基于近红外分析技术的白芍产地判别的方法 |
| CN105021562A (zh) * | 2015-07-06 | 2015-11-04 | 黑龙江八一农垦大学 | 一种大米产地溯源方法及其应用 |
| CN108507971A (zh) * | 2017-02-23 | 2018-09-07 | 南京农业大学 | 一种基于红外光谱技术对新疆核桃产地区分的方法 |
| CN107153057A (zh) * | 2017-06-14 | 2017-09-12 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种基于矿物元素指纹技术的金银花产地鉴别方法 |
| CN107607485A (zh) * | 2017-08-30 | 2018-01-19 | 浙江医药高等专科学校 | 一种鉴别三叶青产地的方法 |
| CN108444944A (zh) * | 2018-02-24 | 2018-08-24 | 盐城工学院 | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 |
| CN109490246A (zh) * | 2018-10-18 | 2019-03-19 | 浙江省中医药研究院 | 一种前胡药材质量的快速检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| WENLONG LI等: "Quality control of Lonicerae Japonicae Flos using near infrared spectroscopy and chemometrics", 《JOURNAL OF PHARMACEUTICAL AND BIOMEDICAL ANALYSIS》 * |
| 夏立娅: "《农产品原产地鉴定技术研究》", 30 September 2016, 中国质检出版社 * |
| 陈璐等: "近红外光谱技术识别沾化和陕西冬枣产地的研究", 《山东农业科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112014346A (zh) * | 2020-09-03 | 2020-12-01 | 中国地质大学（武汉） | 一种基于红外光谱的煤炭产地溯源方法 |
| CN112014346B (zh) * | 2020-09-03 | 2021-09-07 | 中国地质大学（武汉） | 一种基于红外光谱的煤炭产地溯源方法 |
| CN112816433A (zh) * | 2020-12-31 | 2021-05-18 | 中国医学科学院药用植物研究所 | 一种基于红外光谱的山银花鉴别方法、设备和介质 |
| CN112816433B (zh) * | 2020-12-31 | 2023-09-22 | 中国医学科学院药用植物研究所 | 一种基于红外光谱的山银花鉴别方法、设备和介质 |
| CN116165165A (zh) * | 2023-04-25 | 2023-05-26 | 四川威斯派克科技有限公司 | 一种药品原辅料在线实时放行的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101574895B1 (ko) | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 | |
| CN109975236A (zh) | 一种利用近红外光谱技术鉴别金银花产地的方法 | |
| Fortier et al. | Identification of cotton and cotton trash components by Fourier transform near-infrared spectroscopy | |
| CN103776777B (zh) | 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法 | |
| WO2016150130A1 (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
| CN104020128B (zh) | 一种快速鉴别蜂胶胶源的方法 | |
| CN110376153B (zh) | 一种atr-ftir结合rbf神经网络对市售西红花产地溯源的方法 | |
| CN104062262A (zh) | 一种基于近红外光谱的作物种子品种真实性鉴别方法 | |
| CN102590129A (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN110749575A (zh) | 一种中药多糖二维红外光谱鉴别预测模型及其构建方法和应用 | |
| CN108072626A (zh) | 一种沥青品牌识别方法 | |
| Cui et al. | Identification of maize seed varieties based on near infrared reflectance spectroscopy and chemometrics | |
| CN102243170A (zh) | 用近红外光谱技术鉴别麦冬药材产地的方法 | |
| CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
| CN103115892A (zh) | 应用近红外光谱分析技术制备银杏叶提取物的方法 | |
| CN114112983B (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| CN114971259A (zh) | 一种利用近红外光谱分析配方产品质量一致性的方法 | |
| CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
| CN101893557A (zh) | 动物毛皮种类的快速无损鉴别方法 | |
| CN108007917B (zh) | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 | |
| CN117250169A (zh) | 一种基于模型转移技术无损快速判别野生冬虫夏草的方法 | |
| CN116559106A (zh) | 一种中药材炮制工艺过程的近红外在线监测方法 | |
| CN115452758A (zh) | 大米类别鉴别模型及其构建方法以及鉴别大米类别的方法 | |
| CN108760679A (zh) | 一种基于近红外光谱技术的乌天麻鉴别方 | |
| Xu et al. | Detection of Cucumber Powdery Mildew Based on Spectral and Image Information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |